#420: Конопля и машинное обучение, совместное предприятие

Производители и продавцы конопли зарабатывают на машинном обучении

Независимо от масштаба, производители и продавцы конопли ведут бизнес в заметно сложной среде. Они сталкиваются с постоянно меняющимися нормативными мерами, а также должны ориентироваться в сложных вопросах соблюдения трудового законодательства и ограничений в банковской сфере. Помимо типичных бизнес- и операций цепочки поставок, этот развивающийся рынок仍 нестабилен с точки зрения законодательства, экономики и все более суровых погодных условий. В результате компании, производящие коноплю, и сельскохозяйственная промышленность в целом обращаются к возможностям машинного обучения, чтобы предсказать, оптимизировать и проанализировать, принимая во внимание будущее сельскохозяйственной технологии.

Проблемы в AgTech и конопляной промышленности

Производителям конопли необходимо решать сложные сельскохозяйственные проблемы:

Производители:

• Контролируют вредителей и болезни
• Разрабатывают эффективные планы питания
• Обеспечивают оптимальные условия окружающей среды
• Оптимизируют выход, минимизируя накладные расходы
• Соблюдают нормативные требования

Продавцы:

• Понимают и организуют сложные процессы распределения
• Координируют производителей, фермеров, бренды и спрос потребителей
• Принимают решения о будущем росте и расширении
• Налоговые структуры и нормативные акты в нескольких штатах

Для решения операционной стороны выращивания, а также для решения маркетинговой стороны продаж, компании, производящие коноплю, могут теперь использовать мощные данные. Эти данные питают программное обеспечение, оснащенное машинным обучением, которое может предсказать будущее с помощью современных алгоритмов и архитектур обработки данных.

Следующие характеристики облачных экосистем стимулируют решения машинного обучения:

• Датчики и аппаратура для сбора информации стали дешевле

  • Растущая популярность и успех решений IoT делают возможным развертывание, подключение и создание обширных сетей умных устройств. Этот локализованный поток данных является важнейшим компонентом для точности предсказательных моделей.

• Вычислительные и хранилищные ресурсы становятся все более доступными

  • Конкуренция среди поставщиков облачных услуг стимулирует инновации и разработки по низкой цене. Любой может создать и развернуть решения машинного обучения в облаке, если имеет доступ к достаточным данным. Кроме того, все поставщики облачных услуг используют модель “платите за то, что используете”, что позволяет клиентам платить только за то, что они используют и требуют.
    

• Алгоритмы и фреймворки обработки данных широко доступны

  • Многие задачи обработки данных (от сбора до анализа) можно легко обновить и автоматизировать с помощью облачных инструментов. Аналогично, предварительно обученные модели машинного обучения и архитектуры нейронных сетей можно повторно использовать, применяя старые знания к новым проблемам.

Такая богатая экосистема инструментов, фреймворков и дешевой аппаратуры для сбора данных превратила машинное обучение в сельском хозяйстве в жизнеспособное и экономически эффективное решение для самых сложных проблем. Неудивительно, что данные, основанные на оптимизации, в настоящее время меняют всю сельскохозяйственную отрасль, далеко за пределами выращивания конопли.

Ниже приведены несколько кратких способов, которыми решения предсказательного моделирования используются как производителями, так и продавцами конопли.

Для производителей: Предсказательные модели для операционных улучшений

Потенция

Точное понимание химического состава растения конопли является важнейшей необходимостью для соблюдения нормативных мер. Предсказательные модели могут включать спектроскопию, техники рентгеновской томографии и машинное обучение, чтобы точно определить каннабиноиды и маркировать сорта конопли. Даже в случаях, когда доступные данные были недостаточными, исследователи все равно смогли сгруппировать сорта конопли в разные категории (медицинские, рекреационные, комбинированные, промышленные) на основе их химических свойств. Такие модели не только позволяют лучше понять потенцию конопли на всех этапах цепочки поставок, но и представляют собой гарантию качества и здоровья для конечных потребителей.

Прогнозирование урожайности

Сбор локализованных, реальных данных с посевов (влажности, температуры, освещения) является первым шагом в понимании как искусственных, так и естественных условий выращивания. Однако знание того, что сажать и какие действия предпринимать во время выращивания, может быть недостаточно. Включение различных источников данных и создание сложных моделей, учитывающих сотни факторов (от типа почвы и осадков до показателей здоровья листьев), повышает точность предсказательных моделей. Модели затем выводят числовые оценки урожайности, которые предоставляют фермерам оптимизированные решения для лучшей отдачи от инвестиций.

Прогнозирование угроз

Историческая производительность посевов не является надежным индикатором для предстоящих угроз и болезней. Вместо этого автоматические прогнозные модели можно использовать для постоянного мониторинга посевов как в естественных, так и в искусственных условиях. Модели прогнозирования угроз полагаются на различные методы, от распознавания изображений до анализа временных рядов погодных данных. Это позволяет системе прогнозировать предстоящие угрозы, обнаруживать аномалии и помогать фермерам распознавать ранние признаки. Принятие мер до того, как будет слишком поздно, позволяет им минимизировать потери и максимизировать качество посевов.

Для продавцов: Использование исторических данных о клиентах для маркетинга и оптимизации цепочки поставок

Жизненный цикл клиента

Жизненный цикл клиента (CLTV) является одним из важнейших показателей, влияющих на продажи и маркетинговые усилия. Современные предсказательные алгоритмы уже могут предсказать будущие отношения между отдельными людьми и бизнесом. Эти алгоритмы могут либо классифицировать клиентов (например, низкие расходы, высокие расходы, средние расходы) в разные кластеры, либо даже предсказать количественные оценки их будущих расходов. Такое тонкое понимание клиентов и их привычек расходов предоставляет продавцам способ легко выявить и культивировать высокоценных клиентов.

Сегментация клиентов

Сегментация лежит в основе хорошо нацеленных маркетинговых усилий. И готовые решения, и индивидуальные алгоритмы могут различать сотни соответствующих характеристик клиентов. Эти характеристики можно сконструировать из всех видов внутренних и внешних источников данных: данных о веб-активности, истории предыдущих покупок, даже данных о социальной активности. Это приводит к тому, что клиенты группируются по набору характеристик, которые они разделяют. Это позволяет не только микротаргетировать маркетинговых усилий, но и повышает эффективность каналов распределения.

Развивает ли совместное предприятие между коноплей и машинным обучением дым?

Как и любое сельскохозяйственное начинание, выращивание и продажа конопли сопряжены с различными проблемами. Машинное обучение устраняет барьеры для эффективного производства и распределения. Компании смотрят за пределы ручного анализа, чтобы проанализировать ограничения и параметры, участвующие в операционной производительности. Они переключаются на машинное обучение, чтобы оптимизировать свои усилия. В то же время маркетинговая сторона продажи конопли становится все более сложной и цифровой, еще один призыв к использованию силы больших данных. По мере того, как вкусы потребителей становятся все более изысканными, разнообразие продуктов и конкуренция становятся более интенсивными. Удаление будущей неопределенности во всех этих областях с помощью возможностей предсказания, обнаружения аномалий, многопараметрической оптимизации и т. д. через машинное обучение помогает компаниям, производящим коноплю, получать огромные прибыли.

Мы живем в мире, где данные ведут революцию во всех отраслях: государственном секторе, здравоохранении, производстве и цепочке поставок. Развития в сельскохозяйственной сфере не являются исключением: данные, основанные на решениях, стимулируют инновации, помогая фермерам принимать наиболее сложные решения. Предсказательные инструменты используются для использования локальных данных, собираемых в реальном времени, тем самым удаляя страх неопределенности из операционных процессов. Цифровая, данные, основанная на сельскохозяйственной оптимизации уже меняет всю конопляную промышленность.